43
BAB III
METODOLOGI PENELITIAN
A. Objek dan Ruang Lingkup Penelitian
Objek pada penelitian ini yaitu harga saham pada perusahaan yang
terdaftar di BEI pada sektor manufaktur dengan memperhatikan dua faktor
yang akan diteliti yaitu tingkat risiko dan debt equity ratio. Periode penelitian
dalam meneliti tingkat risiko dan debt equity ratio terhadap harga saham pada
perusahaan terdaftar di BEI sektor manufaktur pada tahun 2016 – 2018.
B. Metode Penilitian
Dalam analisis data, metode yang akan digunakan yaitu metode
analisis statistik deskriptif. Metode ini memberikan gambaran tentang data
seperti mean, median, modus, varian dan range dari variabel dependen dan
independen. Alat analisis yang akan digunakan dalam penelitian ini yaitu
regresi data panel untuk pengujian hipotesis penelitian. Sebelum melakukan
uji hipotesis penelitian akan dilakukan uji asumsi klasik yang terdiri dari uji
normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi.
Penelitian ini menggunakan data sekunder yang telah dikumpulkan oleh
lembaga terkait kemudian dipublikasikan kepada masyarakat. Data sekunder
yang digunakan yakni laporan keuangan perusahaan dari perushaan yang
terdaftar di BEI sektor manufaktur tahun 2016-2018. Sumber data yang
digunakan untuk selanjutnya diolah, diperoleh dari website www.idx.co.id.
44
C. Teknik Penentuan Populasi dan Sampel
Menurut (Thoifah, 2015, p.14), “Populasi merupakan seluruh
karakteristik yang menjadi objek penelitian, yang mana karakteristik tersebut
berkaitan dengan seluruh kelompok orang, peristiwa, atau benda yang menjadi
pusat perhatian bagi peneliti”. Populasi merupakan keseluruhan subjek
penelitian (Arikunto, 2006). Populasi yang dipilih dan dipakai dalam
penelitian ini yaitu perusahaan yang terdaftar di BEI sektor manufaktur yakni
sebanyak 130 perusahaan.
Menurut (Hermawan & Yusran, 2017, p. 97), “Sampel merupakan
suatu bagian dari populasi yang mencakup sejumlah anggota yang dipilih dari
populasi. Teknik pengambilan sampel pada penelitian ini adalah menggunakan
simple random sampling”. Dijelaskan oleh (Hermawan & Yusran, 2017, p.
99), “Simple random sampling merupakan cara pengambilan sampel dimana
setiap elemen populasi memiliki peluang yang sama untuk dipilih menjadi
anggota sampel dan sampel diambil dengan menggunakan tabel/ generator
angka”.
Akibat dari keterbatasan data mengenai variabel yang akan diujikan
maka populasi terjangkau ditentukan berdasarkan kriteria. Untuk pemilihan
populasi terjangkau ditentukan kriteria berdasarkan berikut ini:
1. Perusahaan yang masuk dalam penelitian ini adalah perusahaan-
perusahaan yang sudah terdaftar dalam Bursa Efek Indonesia sektor
manufaktur sub sektor industri dasar dan kimia sejak Juni tahun 2016
sampai dengan 2018.
45
2. Perusahaan yang menerbitkan laporan keuangan tahunan pada
periode pengamatan yaitu periode tahun 2016-2018.
3. Perusahaan yang memiliki saldo laba (retained earning) positif.
4. Perusahaan yang menyediakan data sesuai dengan variabel penelitian.
Tabel III.1
Populasi Terjangkau
No Kriteria Akumulasi Jumlah
Perusahaan
1.
2.
3.
4.
Perusahaan yang terdaftar dalam Bursa Efek
Indonesia sektor manufaktur sub sektor industri
dasar dan kimia sejak Juni tahun 2016 sampai
dengan 2018
Perusahaan yang tidak menerbitkan laporan
keuangan tahunan pada periode pengamatan yaitu
periode tahun 2016-2018
Perusahaan yang tidak memiliki saldo laba
(retained earning) positif.
Perusahaan yang tidak menyediakan data sesuai
dengan variabel penelitian
66
(26)
(5)
0
Jumlah Populasi Perusahaan Yang Layak Diobservasi 35
Tahun Pengamatan 3
Populasi terjangkau 35
Sampel setelah tabel issac 5% 32
D. Operasionalisasi Variabel Penelitian
Sesuai dengan judul penelitian ini “Pengaruh Tingkat Risiko dan Debt
Equity Ratio Terhadap Harga Saham Perusahaan Manufaktur Sub Sektor
Industri Dasar dan Kimia Pada Tahun 2016-2018”, maka variabel yang
46
digunakan dalam penelitian ini yaitu variabel dependen atau Y dan variabel
independen atau X. Variabel dependen yang dipakai dalam penelitian ini yaitu
Harga Saham dengan menggunakan Closing Price untuk mengukur harga
saham tersebut. Variabel independen (X) yang dipakai yaitu Tingkat Risiko dan
Debt to Equity Ratio. Variabel Harga Saham dalam penelitian ini akan
diproksikan dengan menggunakan Debt to Equity Ratio (DER) dan Tingkat
Risiko akan diproksikan dengan Risiko Kebangkrutan Rasio Altman.
1. Harga Saham
a. Definisi Konseptual
Harga saham merupakan “harga suatu saham pada pasar
saham yang sedang berlangsung. Harga saham mengalami
perubahan naik turun dari waktu ke waktu. Perubahan ini sangat
tergantung pada kekuatan permintaan dan penawaran. Jika suatu
saham mengalami kelebihan permintaan, maka harga saham akan
cenderung naik”.
b. Definisi Operasional
Harga Saham dapat diproksikan dengan menggunakan closing
price, dengan membandingkan investasi bursa saham yang
ditawarkan, yang tentu saja mengandung komponen risiko, dengan
suatu alternatif yang tidak berisiko.
47
2. Tingkat Risiko
a. Definisi Konseptual
Risiko merupakan suatu potensi kejadian tidak diharapkan
yang kemungkinan dapat menimbulkan suatu kerugian dan bersifat
tidak pasti.
b. Definisi Operasional
Tingkat risiko dapat diukur dengan menggunakan prediksi
kebangkrutan metode Z-Score yang dikemukakan oleh Altman
dimana rasio tersebut membentuk persamaan diskriminan sebagai
berikut:
Z = 0,717X1 + 0,847X2 + 3,107X3 + 0,420X4 + 0,998X5
Keterangan:
a. X1 = Working Capital/Total Assets
b. X2 = Retained Earning/Total Asset
c. X3 = Earnings Before Interest & Taxes/Total Asset
d. X4 = Book Value of Equity/Total Liabilities
e. X5 = Sales/Total Asset
3. Debt To Equity Ratio
a. Definisi Konseptual
Debt to Equity Ratio merupakan “rasio utang terhadap ekuitas
yang menggambarkan perbandingan kewajiban dengan ekuitas
48
dalam pendanaan perusahaan dan menunjukan kemampuan modal
sendiri pada perusahaan tersebut untuk memenuhi seluruh
kewajiban”.
b. Definisi Operasional
Debt equity ratio merupakan “rasio yang digunakan untuk
mengukur perbandingan antara total modal dengan total aktiva”.
Secara lengkap, operasionalisasi variabel dan pengukuran
yang digunakan dalam penelitian ini dapat dilihat pada tabel 3.2
Tabel III.2
Operasionalisasi Variabel
Variabel Definisi Konseptual Definisi Operasional
Harga Saham
(Y)
Harga suatu saham pada
pasar saham yang sedang
berlangsung harga
sahamnya.
Closing Price
Tingkat Risiko
(X1)
Suatu potensi kejadian
tidak diharapkan yang
kemungkinan dapat
menimbulkan suatu
kerugian dan bersifat tidak
pasti.
Z=0,717X1+0,847X2+3,107X3+0,420X4+ 0,998X5
Debt to Equity
Ratio
(X2)
Rasio utang terhadap
ekuitas merupakan rasio
yang menggambarkan
perbandingan kewajiban
dengan ekuitas dalam
pendanaan perusahaan dan
49
E. Konstelasi Antar Variabel
Dalam penelitian ini menggunakan 2 (dua) variabel independen dan 1
(satu) variabel dependen, yaitu:
Variabel bebas : Tingkat Risiko (X1)
Debt to Equity Ratio (X2)
Variabel terikat : Harga Saham(Y)
Gambar III.1
Konstelasi Antar Variabel
F. Teknik Analisis Data
Teknik analisis data yang digunakan dalam penelitian ini yaitu teknik
analisis deskriptif dan verifikatif. Analisis verifikatif dalam penelitian ini
menggunakan analisis regresi data panel (pooled data). Menurut (Gujarati,
Ekonometrika Dasar: terjemahan Edisi Keenan, 2003, p. 637), data panel
merupakan gabungan dari data antar waktu (time-series) dengan data antar
individu atau ruang (cross-section). Ada dua macam panel data yaitu data
menunjukan kemampuan
modal sendiri perusahaan
tersebut untuk memenuhi
seluruh kewajiban
50
panel balance dan data panel unbalance. Data panel balance yaitu keadaan
dimana unit cross-sectional memiliki jumlah observasi time-series yang sama.
Sedangkan data panel unbalance merupakan keadaan dimana unit cross-
sectional memiliki jumlah observasi time series yang tidak sama. Alat
pengolah data yang digunakan dalam penelitian ini yaitu software Microsoft
Excel dan Eviews 9. Pada penelitian ini data yang digunakan yaitu data panel
balance.
Penggunaan data panel pada penelitian memiliki beberapa keunggulan.
Menurut Gujarati dalam (Ghozali & Ratmono, 2017, p. 196), keuntungan
menggunakan analisis ini antara lain:
1. Dengan menggabungkan data time series serta data cross section, maka
data panel akan menggambarkan data yang lebih informatif, lebih
bervariasi, tingkat kolinieritas antarvariabel akan semakin rendah, lebih
besar degree of freedom, dan lebih efisien.
2. Dengan menganalisis”data cross section untuk beberapa periode maka
data panel tepat digunakan dalam penelitian perubahan dinamis.
3. Data panel dapat mendeteksi dan mengukur pengaruh yang tidak dapat
diobservasi dengan data murni time series atau murni data cross section.
4. Data panel dapat membuat kita mempelajari model perilaku yang lebih
komplek. Misalkan fenomena skala ekonomis dan perubahan teknologi
dapat dipahami lebih baik dengan data cross section murni atau data
time series.
51
5. Oleh karena data panel berkaitan dengan individu, perusahaan, kota
negara dan sebagainya sepanjang waktu (over time), maka akan bersifat
heterogen dalam unit tersebut. Teknik untuk memprediksi data panel
dapat memasukkan heterogenitas secara eksplisit pada setiap variabel
individu secara spesifik.
Adapun tahapan atau langkah-langkahnya adalah dengan melakukan
analisis kuantitatif terdiri dari:
1. Estimasi model regresi dengan menggunakan data panel,
2. Pemilihan model regresi data panel,
3. Uji Asumsi
4. Uji Hipotesis
Dalam (Ekananda, 2019, p. 608) disebutkan, pemodelan data panel pada
dasarnya menggabungkan pembentukan model yang dibentuk berdasarkan
runtun waktu (time series) dan berdasarkan cross section:
1. Model dengan data time series
Yt = α + β Xt + ε ; t = 1, 2, ….., T ; N : banyaknya data time series
2. Model dengan data cross section
Yi = α + β Xi + ε ; i = 1, 2, ….., N ; N : banyaknya data cross section
Sehingga secara umum dalam model data panel dapat dituliskan sebagai
berikut:
Yit = α + β Xit + εit; i = 1,2,….,N dan t = 1,2,…..,T
Dimana :
Y = variabel dependen
52
X = variabel independen merupakan data time series
N = banyaknya variabel dependen merupakan data cross sectional
T = banyaknya waktu
N x T = banyaknya data panel
Analisis regresi ini dipakai untuk melihat pengaruh antara variabel Tingkat
Risiko dan Debt Equity Ratio (DER) terhadap Harga Saham yang terdapat di
perusahan manufaktur sub sektor industry dasar dan kimia yang tercatat di
bursa efek indonesia. Maka, analisis regresi yang dilakukan untuk penelitian ini
yaitu dengan metode analisis data panel yang menghasilkan model
persamaannya sebagai berikut:
Yit = α + β1 X1it + β2 X2it + εit
Keterangan:
Yit = Harga Saham perusahaan manufaktur ke-i tahun ke-t
α = Konstanta
β = Koefisien regresi masing – masing variabel independen
X1it = Tingkat Risiko
X2it = Debt Equity Ratio
t = Waktu
i = Perusahaan
Pada penelitian ini”data time series didapat melalui periode waktu yaitu
dari tanggal 17 Juni tahun 2019 sampai tahunan 30 Juni 2018, sehingga data
time series pada penelitian ini berjumlah 3. Adapun data cross section diambil
53
dari data jumlah perusahaan manufaktur yaitu sebanyak 34 perusahaan
manufaktur subsektor industri dasar dan kimia yang terdaftar di Bursa Efek
Indonesia, sehingga jumlah observasinya sebanyak 96.
Dalam mengestimasi koefisien – koefisien model dengan data panel,
program eviews menyediakan beberapa teknik:
1. Estimasi Model Regresi Data Panel
Menurut (Ansofino, Jolianis, Yolamalinda, & Arfilindo, 2016, p.
143), Dalam teknik estimasi model regresi data panel, terdapat 3
(tiga) teknik pendekatan yang dapat digunakan, antara lain:
a. Common Effect Model
Common effect model merupakan”pendekatan model data
panel yang paling sederhana yaitu dengan mengkombinasikan
data time series dan cross section, selanjutnya dilakukan
estimasi model menggunakan pendekatan Ordinary Least
Square”(OLS). “Dimensi waktu maupun individu dalam model
ini tidak terlalu diperhatikan, sehingga dapat diasumsikan bahwa
perilaku data perusahaan sama dalam berbagai kurun waktu.
Kelemahan yang terdapat pada model ini yaitu, ketidaksesuaian
antara model dengan keadaan yang sebenarnya. Kondisi dari
tiap objek dapat berbeda dan kondisi suatu objek satu waktu
dengan waktu yang lain juga dapat berbeda”. Formula untuk
model Common Effect Model adalah:
Yit = α + βj Xjit + eit
54
Keterangan:
Yit = Variabel dependen di waktu t untuk unit cross section i
α = Intersep
β = Paramenter untuk variabel ke-j
Xjit = Variabel bebas j di waktu t untuk unit cross section i
eit = Komponen error di waktu t untuk unit cross section i
i = Urutan perusahaan yang di observasi
t = Time series (urutan waktu)
j = Urutan Variabel
b. Fix Effect Model
Model FEM mengasumsikan jika “perbedaan pada antar
individu dapat diakomodasi dari perbedaan intersepnya. Teknik
variable dummy (variabel boneka) digunakan untuk menangkap
intersep pada antar perusahaan. Perbedaan nilai parameter yang
berbeda – beda baik secata time series maupun cross section.
Perbedaan intersep ini dapat terjadi karena adanya perbedaan
budaya kerja, manajerial, dan intensif. Akan tetapi, slop pada
antar perusahaan sama. Model estimasi menggunakan variable
dummy ini sering kali disebut dengan teknik fixed effect atau
Least Squares Dummy Variable (LSDV)”. Formula untuk Fixed
Effect Model yaitu:
Yit = α + βj Xjit + Σi
n= 2 + eit
55
Keterangan:
Yit = Variabel dependen di waktu t untuk unit cross section i
α = Intersep yang berubah-ubah antar cross section
β = Paramenter untuk variabel ke-j
Xjit = Variabel bebas j di waktu t untuk unit cross section i
eit = Komponen error di waktu t untuk unit cross section i
Di = Dummy Variable
c. Random Effect Model
Model REM digunakan untuk”mengatasi kelemahan model
efek tetap yang menggunakan variabel boneka, sehingga
variabel mengalami ketidakpastian karena variabel boneka akan
mengurangi tingkat derajat bebas dan pada akhirnya akan
mengurangi efisiensi dari parameter yang diestimasi. Model
REM menggunakan residual yang diduga memiliki hubungan
antarwaktu dan antar individu sehingga REM mengasumsikan
jika setiap individu mempunyai perbedaan intersep yang
merupakan variabel random. Model ini akan mengestimasi data
panel yang mana pada data panel, variabel gangguan mungkin
saling berhubungan baik antar waktu maupun antar individu.
Perbedaan intersep pada model Random Effect diakomodasi oleh
error terms dari masing-masing perusahaan. Keuntungan
menggunakan model ini yaitu menghilangkan heterokedastisitas.
56
Model Random Effect juga disebut dengan Error Component
Model (ECM) atau teknik Generalized Least Square” (GLS).
Formula untuk random effect dituliskan dengan:
Ỳit = α + βj Xjit + eit
eit = ui + vt + wit
Keterangan:
ui ~ N (0,
) = merupakan komponen cross section error
vt ~ N (0,
) = merupakan komponen time series error
wi ~ N (0,
) = merupakan komponen time series dan
cross section error
2. Pemilihan Model Regresi Data Panel
Berdasarkan ketiga model yang diperkirakna maka akan dipilih
model yang paling cocok atau sesuai dengan tujuan penelitian.
Dalam (Ekananda, 2019, p. 93), Hal mendasar yang terlebih dahulu
harus dilakukan adalah dengan melakukan uji F dengan beberapa
pengujian yang dapat dilakukan melalui Eviews 9, yaitu:
a. Uji Chow (Chow Test)
Uji chow bertujuan untuk”menguji/ membandingkan atau
memilik model mana yang terbaik apakan model Common
Effect atau Fixed Effect yang digunakan untuk melakukan
regresi data panel. Dalam uji chow, data diregresikan dengan
menggunakan Common Effect atau Fixed Effect terlebih dahulu
57
kemudian baru dibuat hipotesis untuk diuji.”Hipoptesis untuk uji
chow yaitu:
H0 = jika nilai probabilitas cross section F ≥ α (0.05), maka Ho
diterima artinya common effect diterima.
H1 = jika nilai probabilitas cross section F < α (0.05), maka Ho
ditolak artinya fixed effect diterima
b. Uji Hausman (Hausman Test)
Uji hausman merupakan”pengujian statistic untuk memilih
apakah model Fixed Effect atau model Random Effect yang
paling tepat digunakan untuk melakukan regresi data panel.
Untuk mengujinya, data juga diregresikan terlebih dahulu
dengan menggunakan model random effect kemudian setelah itu
baru dibandingkan antara fixed effect atau random effect”.
Hipotesisnya:
H0 = jika nilai probabilitas F dan Chi Square ≥ α (0.05), maka
regresi panel data menggunakan model Random Effect.
H1 = jika nilai probabilitas F dan Chi Square < α (0.05), maka
regresi panel data menggunakan model Fixed Effect.
58
Menurut (Gujarati, Dasar-Dasar Ekonometrika Buku 2 Edisi
5, 2012, p. 255), sebelum hausman test dilakukan, perlu melihat
perbedaan mendasar untuk menentukan pilihan antara model
Fixed Effect dengan Random Effect diantaranya yaitu:
1) Apabila T atau jumlah time-series lebih besar daripada N
atau jumlah unit pada cross-section, maka kemungkinan
akan ada sedikit perbedaan nilai parameter yang diestimasi
oleh kedua model. Dalam hal ini, model fixed effect lebih
disukai.
2) Apabila unit individu atau cross-section dari sampel
bukanlah hasil dari pengambilan secara acak, maka model
Fixed Effect lebih cocok digunakan.
Selain melalui hausman test, dalam memilih antara metode
fixed effect dengan random effect maka dapat mengikuti
pedoman yang dikemukakan oleh (Ekananda, 2019, p. 605)
diantaranya:
1) Apabila data panel yang dimiliki mempunyai jumlah waktu
(t) yang lebih besar daripada jumlah individu (n) maka
disarankan untuk menggunakan model fixed effect.
2) Namun sebaliknya, apabila data panel yang dimiliki
mempunyai jumlah waktu (t) yang lebih kecil dibandingkan
jumlah individu (n) maka sebaiknya random effect yang
digunakan.
59
c. Uji Lagrange Multiplier
Uji ini dilakukan untuk mengetahui model mana yang lebih
tepat antara random effect dengan metode common effect
(OLS).”Uji lagrange multiplier didasarkan pada distribusi
chisquares dengan degree of freedom sebesar jumlah variabel
independen. Jika nilai LM statistic lebih besar dari nilai kritis
chisquares maka random effect lebih tepat digunakan dan
sebaliknya.
3. Uji Asumsi Klasik Data Panel
Uji asumsi klasik yang dipakai dalam regresi liner pada
umumnya meliputi uji lineritas, autokorelasi, heteroskedastisitas,
multikolinieritas dan normalitas. Namun menurut (Basuki, 2015, pp.
152-153), untuk regresi data panel tidak sseluruh uji asumsi klasik
digunakan hanya diperlukan pengujian multikolinieritas dan
heteroskedastisitas, karena:
a. Uji linieritas
Pada setiap model regresi linier hampir seluruhnya tidak
melakukan uji linieritas,”karena sudah diasumsikan bahwa
model bersifat linier. Kalaupun harus dilakukan semata-mata
untuk melihat sejauh mana tingkat linieritasnya. Linieritas disini
merupakan asumsi awal yang seharusnya ada pada model
60
regresi liner. Uji linieritas bisa dengan mudah dilakukan pada
regresi linier sederhananya, yaitu dengan membuat scatter
diagram yang menunjukkna garis lurus maka asumsi linieritas
telah terpenuhi. Jika nilai probabilitas pada F hitung lebih besar
dari alpha maka model regresi memenuhi asumsi lineritas dan
sebaliknya.”Nilai probabilitas F hitung dapat dilihat pada barik
F statistic kolom probability.
b. Uji normalitas
Pada dasarnya uji normalitas tidak merupakan syarat BLUE
(best linier unbias estimator) pada penelitian dan beberapa
pendapat tidak mengharuskan syarat ini dilakukan sebagai
sesuatu yang wajib dipenuhi. Uji normalitas yang dimaksud
dalam asumsi klasik pendekatan OLS adalah”data residual yang
dibentuk model regresi linier terdistribusi normal, bukan
variabel bebas ataupun variabel terikatnya.”Pengujian terhadap
residual terdistribusi normal atau tidak dapat dilakukan dengan
menggunakan Jarque-Bera Test. Untuk mengetahui data
berdistribusi normal atau tidak, dilakukan dengan cara
membandingkan nilai probabilitas JB hitung dengan tingkat
alpha 5%. Jika nilai probabilitas JB lebih besar dari 0,05 maka
dapat disimpulkan bahwa residual terdistribusi normal dan
berlaku sebaliknya.
61
c. Autokorelasi
Menurut (Ghozali & Ratmono, 2017, p. 121),”uji
autokorelasi bertujuan untuk menguji apakah dalam suatu model
regresi linier ada atau tidak korelasi antara kesalahan variabel
pengganggu pada periode tertentu dengan variabel sebelumnya
keadaan dimana terjadinya korelasi dari”residual untuk
pengamatan satu dengan pengamatan yang lain”yang disusun
menurut runtun waktu. Model regresi yang baik pasti
mensyaratkan tidak adanya masalah autokorelasi. Autokorelasi
muncul karena adanya residual yang tidak bebas antar satu
observasi ke observasi lainnya. Hal ini disebabkan oleh error
pada individu cenderung mempengaruhi individu yang sama
pada periode selanjutnya. Masalah autokorelasi sering kali
terjadi pada data time series”.
Untuk mendeteksi ada atau tidaknya autokorelasi dapat
dilakukan dengan menggunakan uji Breuch-Godfrey (BG).
Metode pengambilan keputusannya yaitu:
1) Jika nilai Obs*R-Squared lebih besar dari nilai Chi-Square
maka tidak terdapat autokorelasi
2) Jika nilai Obs*R-Squared lebih kecil dari nilai Chi-Square
maka terdapat autokorelasi
62
d. Multikolinieritas
Dijelaskan oleh (Ekananda, 2019, p. 115), Multikolinearitas
adalah”keadaan dimana antara dua variabel independen atau
lebih pada model regresi terjadi hubungan linier yang sempurna
atau mendekati sempurna.”Model regresi yang baik biasanya
mensyaratkan tidak adanya masalah multikolinearitas. Jika
variabel antar independen saling berkorelasi, maka variabel-
variabel tersebut tidak orthogonal. Variabel orthogonal
merupakan variabel independen yang memiliki nilai korelasi
antar sesama variabel independen sama dengan nol. Untuk
mendeteksi ada atau tidaknya multikolinieritas pada model
regresi yaitu:
1) Nilai R2 yang dihasilkan tinggi (signifikan), namun nilai
standar error dan tingkat signifikansi masing-masing
variabel sangat rendah.
2) Menganalisis matriks korelasi variabel-variabel independen.
Jika antar variabel independen ada korelasi yang cukup
tinggi (umumnya diatas 0.90), maka hal tersebut
mengindikasikan adanya multikolinieritas.
Solusi untuk mengatasi multikolinieritas adalah menambah
data observasi atau menghilangkan salah satu variabel bebas
yang mempunyai hubungan linier dengan variabel bebas
lainnya. Menurut (Basuki, 2015), multikolinieritas terjadi ketika
63
nilai R2 (R square fixed effect) lebih kecil dibandingkan dengan
R21, R
22, R
23, dan seterusnya. R
2 merupakan nilai R-square
untuk masing-masing variabel independen.
e. Heteroskedastisitas
Menurut (Ekananda, 2019, p. 137), Heteroskedastisitas
adalah”suatu gejala dimana residu dari suatu persamaan regresi
berubah-ubah pada suatu rentang data tertentu.”Model regresi
yang baik menyaratkan tidak adanya masalah
heteroskedastisitas. Heterokedastisitas seringkali terjadi pada
data cross section. Sementara data panel lebih dekat dengan ciri
data cross section yang dibanding dengan data time series. Salah
satu asumsi dasar pada metode regresi linier yaitu varians pada
tiap unsur gangguan (disturbance) merupakan suatu angka
konstan yang sama dengan σ2.
Untuk menguji ada atau tidaknya suatu heterokedastisitas
pada data panel maka dapat dilihat dari nilai sum square resid
dan r square pada weighted dibandingkan dengan unweighted
fixed effect. Jika nilai sum square resid pada unweighted fixed
effect lebih besar daripada sum square resid pada weighted fixed
effect, dan R Square pada weighted fixed effect lebih besar
daripada unweighted fixed effect, berarti bahwa dalam model
tidak terdapat heterokedastisitas. Guna memperoleh data yang
64
akurat, maka dalam penelitian ini tetap dilakukan uji linieritas,
autokorelasi, heterokedastisitas, multikolinieritas dan
normalitas.
4. Uji Statistik Analisis Regresi
Uji signifikansi merupakan prosedur yang dipakai untuk
menguji kesalahan atau kebenaran dari hasil hipotesis yang diajukan
oleh peneliti. Adapun uji statistic analisis regresi tersebut antara lain:
a. Uji Signifikansi Parsial (Uji t)
Uji t digunakan untuk menguji ada atau tidaknya pengaruh
variabel independen yaitu tingkat risiko dan debt equity ratio
secara parsial terhadap variabel dependen (Y) harga saham.”Uji t
ini dilakukan dengan cara membandingkan antara thitung dengan
ttabel pada α=0,05 dan α=0,10. H0 akan ditolak apabila thitung > ttabel
atau –thitung < -ttabel yang berarti variasi variabel independen dapat
menerangkan variabel dependen dan terdapat pengaruh diantara
kedua variabel yang diuji. Sebaliknya, H0 diterima apabila thitung ≤
ttabel atau –thitung ≥ -ttabel yang berarti variasi variabel independen
tidak dapat menerangkan variabel dependen dan tidak terdapat
pengaruh diantara kedua variabel yang diuji”. Rumus thitung yaitu:
65
t hitung = √
√
Keterangan :
r = Koefisien korelasi parsial
k = Jumlah variabel independen
n = Jumlah data atau kasus
Kriteria pengujian :
H0 diterima t hitung ≤ t tabel atau –t hitung ≥ -t tabel
H0 ditolak t hitung > t tabel atau –t hitung < -t tabel
b. Uji Signifikansi Simultan (Uji F)
Uji F dilakukan untuk mengetahui pengaruh variabel-
variabel independen secara simultan terhadap variabeldependen.
Untuk menguji ini dilakukan hipotesis:
1) H0: β1 = β2 = …= βi = 0, artinya secara keseluruhan tidak ada
pengaruh variabel independen terhadap variabel sdependen.
2) H1: β1 ≠ β2 ≠ …≠ βi ≠ 0, artinya minimal ada satu variabel yang
berpengaruh signifikan.
Pengujian ini dilakukan dengan membandingkan nilai Fhiung
dengan Ftabel pada α=0,05 dan α =0,10, df = (k-1) dan (n-1), yang
mana n merupakan jumlah observasi dan k merupakan symbol
pengganti dari jumlah variabel bebas.”H0 akan ditolak jika Fhitung
> Ftabel, yang berarti variasi dari model regresi mampu
66
menerangkan variasi variabel-variabel independen secara
keseluruhan memiliki pengaruh terhadap variabel dependen.
Sebaliknya, H0 diterima apabila Fhitung ≤ Ftabel, yang berarti variasi
dari model regresi tidak bisa menerangkan variasi variabel
independen secara keseluruhan memiliki pengaruh terhadap
variabel dependen”.
c. Koefisien Determinasi (R2)
(Ekananda, 2019, p. 75), “Analisis R2 (R Square) atau
koefisien determinasi digunakan untuk mengetahui seberapa besar
porsentase sumbangan pengaruh variabel independen secara
bersama-sama terhadap variabel dependen. Nilai koefisien pada
determinasi merupakan suatu ukuran yang menunjukkan besarnya
sumbangan dari variabel independen terhadap variabel
dependen”. Nilai koefisien determinan antara 0 dan 1. Jika
determinan mendekati 0 (nol) berarti kemampuan semua variabel
independen dalam menjelaskan variabel dependen sangat
lemah/terbatas dan jika determinan mendekati 1 (satu) berarti
variabel-variabel independen dapat dikatakan semakin kuat dalam
memberikan informasi yang dijelaskan untuk memprediksi
variabel – variabel dependen. Pedoman pengujian kriteria
menurut sugiono adalah sebagai berikut:
Tabel III.3
67
Pedoman Interpretasi
Interval Koefisien Tingkat Hubungan
0,00 – 0,199 Sangat Rendah
0,20 – 0,399 Rendah
0,40 – 0,599 Sedang
0,60 – 0,799 Kuat
0,80 – 1,000 Sangat Kuat
Sumber: (Sugiyono, 2012, p. 250)
Koefisien ini digunakan untuk mengetahui prosentase
pengaruh variabel independen secara serentak terhadap variabel
dependen. Yang digunakan yaitu adjusted R Square
Top Related